AI 코딩이 실제로 향하고 있는 방향 (과장된 버전이 아닌)

AI 코딩의 미래는 두 가지 관점에서 논의됩니다. AI가 모든 코드를 작성하고 개발자는 "더 높은 수준의 문제"를 생각할 자유를 얻게 된다는 유토피아적 관점과, AI는 그저 최악의 순간에 실수를 저지르는 자동 완성(autocomplete) 기능일 뿐이라는 무시하는 관점입니다. 두 관점 모두 비슷한 방식으로 틀렸습니다. 지난 몇 년간 프로덕션 팀이 이러한 도구들을 사용하는 것을 지켜본 결과, 제가 실제로 일어나고 있다고 생각하는 현상은 다음과 같습니다.

우리는 여전히 자동 완성(autocomplete) 단계에 있지만, 이 단계는 끝나가고 있습니다. 현재 지배적인 패러다임은 여전히 어시스턴트(assistant) 스타일의 생성입니다. 즉, 개발자가 의도(intent)를 작성하면 모델이 구현(implementation)을 작성하고, 개발자가 이를 수락하거나 수정하는 방식입니다. 이는 유용하며 이미 생산성을 측정 가능한 수준으로 변화시키고 있지만, 다른 생산성 도구와 구조적으로 다르지는 않습니다. 이는 현재의 프로세스를 더 빠르게 만들 뿐, 다르게 만들지는 않습니다. 변화하고 있는 것은 "태스크(task)\

지금 테스트 품질에 투자하는 팀은 에이전트 보조 CI (agent-assisted CI)가 증폭시킬 인프라를 구축하고 있는 것입니다. 상용구 코드 (Boilerplate) 문제는 대체로 해결되었습니다. 잘 정의된 스키마 (schema)를 가진 모든 것 — REST API 클라이언트, 데이터 모델, ORM 쿼리, 설정 파서 (configuration parsers), 직렬화 (serialisation) 코드, 테스트 픽스처 (test fixtures) — 에 대해 AI 생성은 이미 인간이 작성한 코드보다 빠르며 종종 더 낫습니다. 이 영역은 너무나 규칙적이고, 패턴은 너무나 확립되어 있으며, 실패 모드 (failure modes)는 너무나 명확합니다. 이것은 "AI가 개발자의 일자리를 뺏을 것이다"가 아닙니다. "주니어 개발자들이 소비하는 시간의 상당 부분이 자동화될 것이며, 그것이 주니어 개발자의 역할(shape)을 변화시킬 것이다"라는 의미입니다. 상용구 코드를 작성하는 시간을 대체할 것이 무엇인지는 불분명합니다. 낙관적인 관점은 엔지니어들이 아키텍처 (architecture), 제품 사고 (product thinking), 그리고 엣지 케이스 (edge-case) 강화에 더 많은 시간을 할애하게 될 것이라는 점입니다. 현실적인 관점은 해방된 역량을 흡수하기 위해 속도(velocity)에 대한 기대치가 높아질 것이며, 상용구 코드를 작성하며 얻게 되는 판단력 개발의 일부는 다른 곳에서 이루어져야 할 것이라는 점입니다. 구문 지식의 가치 하락과 명세(specification) 가치의 상승. 제가 보는 가장 명확한 패턴 중 하나는 언어 구문 (syntax)과 표준 라이브 library API를 정확히 아는 것의 한계 효용이 감소하고 있다는 점입니다. 당신이 원하는 것을 명확하고 정확하게 설명할 수 있다면, 당신이 유창하게 작성하지 못하는 언어로도 작동하는 코드를 얻을 수 있습니다. 이것은 진정으로 새로운 현상입니다. 가치가 상승하는 것은 의도(intent)를 정확하게 명세하는 능력입니다. 즉, 실제 요구사항을 포착하는 테스트 계약 (test contracts)을 작성하고, 검증 가능할 정도로 엣지 케이스를 명확하게 설명하며, 올바른 코드가 무엇인지에 대한 명확한 멘탈 모델 (mental model)을 가지고 있기에 생성된 코드가 그럴듯해 보이지만 틀렸을 때를 인식하는 능력입니다. 제가 관찰한 바로는, AI 도구를 가장 효과적으로 사용하는 개발자는 프롬프팅 (prompting)을 가장 잘하는 사람들이 아닙니다. 그들은 코드가 무엇을 해야 하는지에 대해 가장 강력한 모델을 가진 사람들이며, 이는 그들을 이전에 훌륭한 개발자로 만들었던 요소이기도 합니다.

인간의 판단력이 여전히 희소한 자원으로 남는 영역

몇몇 영역은 현재의 AI 도구들에게 여전히 진정으로 어려운 과제로 남아 있습니다. 이는 원칙적으로 능력이 부족해서가 아니라, 문제가 불충분하게 정의되었거나(underspecified) 신호가 약하기 때문입니다.

보안 검토 (Security review): 자동화된 스캐닝(automated scanning)은 점점 더 정교해지고 있지만, 시스템의 위협 모델(threat model)이 올바르게 구성되었는지, 신뢰 경계(trust boundaries)가 타당한지, 인증 흐름(authentication flow)의 가정에 미묘한 결함이 있는지에 대한 판단은 여전히 어렵습니다.

분산 시스템의 정확성 (Distributed systems correctness): 설계 단계에서 동시적이고 부분적으로 장애가 발생하는 시스템에 대해 추론하는 일입니다. AI는 당신의 합의 알고리즘(consensus algorithm)에 대한 구현체는 생성할 수 있습니다. 하지만 당신의 합의 알고리즘이 당신의 장애 모델(failure model)에 적합한 선택인지 여부는 말해주지 못합니다.

도메인 변환 (Domain translation): 무질서하고 모호한 현실 세계의 문제를 가져와 잘 정의된 계산 문제(computational problem)로 변환하는 것입니다. 이것은 소프트웨어 엔지니어링에서 가장 어려운 부분이며, 현재 AI의 지원이 가장 유용하지 않은 부분입니다.

이 영역들이 바로 투자할 가치가 있는 영역들입니다. AI가 결국 그곳에서도 진보하지 않을 것이기 때문이 아니라(결국 진보할 것입니다), 그 타임라인이 더 길고 인간의 이점이 현재 가장 지속 가능하기 때문입니다.

AI 코딩의 미래는 개발자들이 커피를 마시며 PR(Pull Request)을 승인하는 동안 자율 시스템이 모든 소프트웨어를 작성하는 모습이 아닙니다. 그것은 인간의 판단력이 적용되는 위치의 실질적인 변화이며, 의도(intent)와 구현(implementation) 사이의 시간 압축이며, 엔지니어를 유능하게 만드는 기술 조합(skill mix)의 중대한 변화입니다. 이는 이미 일어나고 있습니다. 흥미로운 질문은 당신의 팀의 관행이 도구와 같은 속도로 진화하고 있는가 하는 점입니다.